将 elasticsearch 写入速度优化到极限
目录
基于版本: 2.x – 5.x
在 es 的默认设置,是综合考虑数据可靠性,搜索实时性,写入速度等因素的,当你离开默认设置,追求极致的写入速度时,很多是以牺牲可靠性和搜索实时性为代价的.有时候,业务上对两者要求并不高,反而对写入速度要求很高,例如在我的场景中,要求每秒200w 条的平均写入速度,每条500字节左右
接下来的优化基于集群正常运行的前提下,如果是集群首次灌入数据,可以将副本数设置为0，写入完毕再调整回去，这样副本分片只需要拷贝，节省了索引过程.
综合来说,提升写入速度从以下几方面入手:
- 加大 translog flush ,目的是降低 iops,writeblock
- 加大 index refresh间隔, 目的除了降低 io, 更重要的降低了 segment merge 频率
- 调整 bulk 线程池和队列
- 优化磁盘间的任务均匀情况,将 shard 尽量均匀分布到物理主机的各磁盘
- 优化节点间的任务分布,将任务尽量均匀的发到各节点
- 优化 lucene 层建立索引的过程,目的是降低 CPU 占用率及 IO
translog flush 间隔调整
从 es 2.x 开始, 默认设置下,translog 的持久化策略为:每个请求都flush.对应配置项为:
|
1 2 3 |
index.translog.durability: request |
这是影响 es 写入速度的最大因素.但是只有这样,写操作才有可能是可靠的,原因参考写入流程.
如果系统可以接受一定几率的数据丢失,调整 translog 持久化策略为周期性和一定大小的时候 flush:
|
1 2 3 4 5 6 |
index.translog.durability: async index.translog.sync_interval: 120s index.translog.flush_threshold_size: 1024mb index.translog.flush_threshold_period: 120m |
索引刷新间隔调整: refresh_interval
refresh_interval
默认情况下索引的refresh_interval为1秒,这意味着数据写1秒后就可以被搜索到,每次索引的 refresh 会产生一个新的 lucene 段,这会导致频繁的 segment merge 行为,如果你不需要这么高的搜索实时性,应该降低索引refresh 周期,如:
|
1 2 3 |
index.refresh_interval: 120s |
segment merge
segment merge 操作对系统 CPU 和 IO 占用都比较高,从es 2.0开始,merge 行为不再由 es 控制,而是转由 lucene 控制,因此以下配置已被删除:
|
1 2 3 4 5 6 |
indices.store.throttle.type indices.store.throttle.max_bytes_per_sec index.store.throttle.type index.store.throttle.max_bytes_per_sec |
改为以下调整开关:
|
1 2 3 4 |
index.merge.scheduler.max_thread_count index.merge.policy.* |
最大线程数的默认值为:
|
1 2 3 |
Math.max(1, Math.min(4, Runtime.getRuntime().availableProcessors() / 2)) |
是一个比较理想的值,如果你只有一块硬盘并且非 SSD, 应该把他设置为1,因为在旋转存储介质上并发写,由于寻址的原因,不会提升,只会降低写入速度.
merge 策略有三种:
- tiered
- log_byete_size
- log_doc
默认情况下:
|
1 2 3 |
index.merge.polcy.type: tiered |
索引创建时合并策略就已确定,不能更改,但是可以动态更新策略参数,一般情况下,不需要调整.如果堆栈经常有很多 merge, 可以尝试调整以下配置:
|
1 2 3 |
index.merge.policy.floor_segment |
该属性用于阻止segment 的频繁flush, 小于此值将考虑优先合并,默认为2M,可考虑适当降低此值
|
1 2 3 |
index.merge.policy.segments_per_tier |
该属性指定了每层分段的数量,取值约小最终segment 越少,因此需要 merge 的操作更多,可以考虑适当增加此值.默认为10,他应该大于等于 index.merge.policy.max_merge_at_once
|
1 2 3 |
index.merge.policy.max_merged_segment |
指定了单个 segment 的最大容量,默认为5GB,可以考虑适当降低此值
Indexing Buffer
indexing buffer在为 doc 建立索引时使用,当缓冲满时会刷入磁盘,生成一个新的 segment, 这是除refresh_interval外另外一个刷新索引,生成新 segment 的机会. 每个 shard 有自己的 indexing buffer,下面的关于这个 buffer 大小的配置需要除以这个节点上所有的 shard 数量
|
1 2 3 |
indices.memory.index_buffer_size |
默认为整个堆空间的10%
|
1 2 3 |
indices.memory.min_index_buffer_size |
默认48mb
|
1 2 3 |
indices.memory.max_index_buffer_size |
默认无限制
在大量的索引操作时,indices.memory.index_buffer_size默认设置可能不够,这和可用堆内存,单节点上的 shard 数量相关,可以考虑适当增大.
bulk 线程池和队列大小
建立索引的过程偏计算密集型任务,应该使用固定大小的线程池配置,来不及处理的放入队列,线程数量配置为 CPU 核心数+1,避免过多的上下文切换.队列大小可以适当增加.
磁盘间的任务均衡
如果你的部署方案是为path.data 配置多个路径来使用多块磁盘, es 在分配 shard 时,落到各磁盘上的 shard 可能并不均匀,这种不均匀可能会导致某些磁盘繁忙,利用率达到100%,这种不均匀达到一定程度可能会对写入性能产生负面影响.
es 在处理多路径时,优先将 shard 分配到可用空间百分比最多的磁盘,因此短时间内创建的 shard 可能被集中分配到这个磁盘,即使可用空间是99%和98%的差别.后来 es 在2.x 版本中开始解决这个问题的方式是:预估一下这个 shard 会使用的空间,从磁盘可用空间中减去这部分,直到现在6.x beta 版也是这种处理方式.但是实现也存在一些问题:
从可用空间减去预估大小
这种机制只存在于一次索引创建的过程中,下一次的索引创建,磁盘可用空间并不是上次做完减法以后的结果,这也可以理解,毕竟预估是不准的,一直减下去很快就减没了.
但是最终的效果是,这种机制并没有从根本上解决问题,即使没有完美的解决方案,这种机制的效果也不够好.
如果单一的机制不能解决所有的场景,至少应该为不同场景准备多种选择.
为此,我们为 es 增加了两种策略
简单轮询:系统初始阶段,简单轮询的效果是最均匀的
基于可用空间的动态加权轮询:以可用空间作为权重,在磁盘之间加权轮询
节点间的任务均衡
为了在节点间任务尽量均衡,数据写入客户端应该把 bulk 请求轮询发送到各个节点.
当使用 java api ,或者 rest api 的 bulk 接口发送数据时,客户端将会轮询的发送的集群节点,节点列表取决于:
当client.transport.sniff为 true,(默认为 false),列表为所有数据节点
否则,列表为初始化客户端对象时添加进去的节点.
java api 的 TransportClient 和 rest api 的 RestClient 都是线程安全的,当写入程序自己创建线程池控制并发,应该使用同一个 Client 对象.在此建议使用 rest api,兼容性好,只有吞吐量非常大才值得考虑序列化的开销,显然搜索并不是高吞吐量的业务.
观察bulk 请求在不同节点上的处理情况,通过cat 接口观察 bulk 线程池和队列情况,是否存在不均:
|
1 2 3 |
_cat/thread_pool |
索引过程调整和优化
自动生成 doc ID
分析 es 写入流程可以看到,写入 doc 时如果是外部指定了 id,es 会先尝试读取原来doc的版本号, 判断是否需要更新,使用自动生成 doc id 可以避免这个环节.
调整字段 Mappings
字段的 index 属性设置为: not_analyzed,或者 no
对字段不分词,或者不索引,可以节省很多运算,降低 CPU 占用.尤其是 binary 类型,默认情况下占用 CPU 非常高,而这种类型根本不需要进行分词做索引.
单个 doc 在建立索引时的运算复杂度,最大的因素 不在于 doc 的字节数或者说某个字段 value 的长度,而是字段的数量. 例如在满负载的写入压力测试中,mapping 相同的情况下,一个有10个字段,200字节的 doc, 通过增加某些字段 value 的长度到500字节,写入 es 时速度下降很少,而如果字段数增加到20,即使整个 doc 字节数没增加多少,写入速度也会降低一倍.
使用不同的分析器:analyzer
不同的分析器在索引过程中运算复杂度也有较大的差异
调整_source 字段
_source 字段用于存储 doc 原始数据,对于部分不需要存储的字段,可以通过 includes excludes 来过滤,或者将 _source 禁用,一般用于索引和数据分离
这样可以降低 io 的压力,不过实际场景大多数情况不会禁用 _source ,而即使过滤掉某些字段,对于写入速度的提示效果也不大,满负荷写入情况下,基本是CPU 先跑满了,瓶颈在于 CPU.
禁用 _all 字段
_all 字段默认是开启的,其中包含所有字段分词后的关键词,作用是可以在搜索的时候不指定特定字段,从所有字段中检索.如果你不需要这个特性,可以禁用 _all,可以小幅的降低CPU 压力,对速度影响并不明显.
对于 Analyzed 的字段禁用 Norms
Norms 用于在搜索时计算 doc 的评分,如果不需要评分,可以禁用他:
|
1 2 3 |
"title": {"type": "string","norms": {"enabled": false}} |
index_options 设置
index_options 用于控制在建立倒排索引过程中,哪些内容会被添加到倒排,例如 doc数量,词频,positions,offsets等信息,优化这些设置可以一定程度降低索引过程中运算任务,节省 CPU 占用率
不过实际场景中,通常很难确定业务将来会不会用到这些信息,除非一开始方案就明确这样设计的
方法比结论重要
当面对一个系统性问题的时候,往往是多种因素造成的,在处理集群的写入性能问题上,先将问题分解,在单台上分析调整最高能力到某种系统资源达到极限,其中观察利用率,io block,线程切换,堆栈状态等,解决局部问题,在此基础上解决整体问题会容易很多
最后
jvm 参数除了 Xmx，Xms 其他尽量使用默认，一些看起来比较合理的参数实际效果可能适得其反。
共享下我的配置：
参考链接
https://doc.yonyoucloud.com/doc/mastering-elasticsearch/chapter-3/36_README.html
https://qbox.io/blog/maximize-guide-elasticsearch-indexing-performance-part-1
https://qbox.io/blog/maximize-guide-elasticsearch-indexing-performance-part-2
https://qbox.io/blog/maximize-guide-elasticsearch-indexing-performance-part-3
（转载请注明作者和出处 easyice.cn ，请勿用于任何商业用途）
(5 人打了分, 平均分: 5.00 )
Loading...
20 thoughts on “将 elasticsearch 写入速度优化到极限”
“为此,我们为 es 增加了两种策略
简单轮询:系统初始阶段,简单轮询的效果是最均匀的
基于可用空间的动态加权轮询:以可用空间作为权重,在磁盘之间加权轮询”
这块是你们自己实现的吗？
嗯，自己实现的两个策略
你好，我想问一下，你用的ElasticSearch版本，入库方式是什么，集群配置情况是什么样的，多少台服务器，最终入库速度是多少。多谢
版本2.3-5.5
入库方式：java api, rest api
集群 E5-2430 v2 @ 2.5GHz,64G 内存,3-50台之间
10个字段，500字节左右的 doc
上述均能达到平均单台 3万+/秒
请教下博主,你的es的写入速率是如何测试出来的呢?
可以通过两种方法来统计。
1.通过写入端统计写请求回复成功的数量。
2.通过 es cat 接口统计索引 doc 数
第一种方法比较准备，第二种方法由于 cache 的原因存在延迟，只能判断大致的数量，需要统计比较长的周期
按单台 3万+/秒，50台也达不到每秒200w 条的平均写入速度呀。
你用了12块独立硬盘，有没有测试过不同硬盘数量对性能的影响？
另外对于如何将不同资源（CPU，内存，硬盘）压测到瓶颈？
每秒200w 的是另外一个集群了，另外也会把所有的资源都用于入库。
硬盘数量的问题，我觉得多少块不是问题，重要的是热数据在同一个节点的不同硬盘之间是均匀的没有倾斜。对性能的影响，主要看其利用率是否长期居高，以及 iowait 数量
一般情况下，只有 CPU 才是资源瓶颈。
阿里云的es集群版：3节点的写入速度只有200多，你们是怎么做到200w的？
换句话说，楼主你是不是tree new bee了？
200w 是整个集群的。平均单节点写入速度3w+
你好，应该是用的ssd吧。
现在在做poc，自己搭的五台机器是hhd e3 32g
跑rally的测试用例才能达到平均每台8000/s
cpu利用率很高，硬盘影响因素大吗？
普通的 sata，硬盘一般不是瓶颈，除非数据倾斜严重，你可以观察压力下的利用率。一般情况下，当节点压力满的时候，应该是 CPU 先压满了才对
你好，请问cpu会先被压满是由于什么情况？频繁的ygc导致的吗？
不会的，gc 只会导致单核cpu 100%，整个 cpu 被压满是指入库 lucene 建立索引的过程
博主你好，java api client是线程安全的，但是如果多个节点都有一个client在入库的话还是线程安全的吗？分片的大小如果设置过大对入库和查询影响大吗,能否通过重启集群更改分片大小？你的分片一般设置为多大？
1.多个 client 同时运行没问题，事实上，集群达到一定规模的时候需要多个写入端并行写。engine 是有写锁的
2.分片数量多相对来说查询速度快些，对写入速度没啥区别，
3.主分片数量不能更改，除非重建索引
4.100台机器的机器我设置主分片24，副本1
集群达到一定规模的时候需要多个写入端并行写,请问这个是怎么实现的，能详细说下嘛
注意：
修改translog设置需要先关闭索引
POST /my_index/_close
否则会有如下的错误：
Can’t update non dynamic settings [[index.translog.sync_interval]] for open indices